基于YOLOv8的无人机行人目标检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
基本功能演示
https://www.bilibili.com/video/BV1jwrHBdEJA/
源码在哔哩哔哩视频简介处。
包含：
📦完整项目源码
📦 预训练模型权重
🗂️ 数据集地址（含标注脚本）
项目摘要
本项目基于 YOLOv8 行人检测模型，面向公共安全、城市管理及应急救援场景，构建了一套高精度、实时化的行人目标识别系统。系统依托无人机或固定摄像头采集的视频流，通过深度学习模型实现对行人的准确检测与动态跟踪，支持复杂环境下的低光照、遮挡、密集人群及恶劣天气条件下的识别。
系统核心优势包括：
- 高精度检测：单类目标（person）识别精度高，可在密集人群中有效区分个体。
- 多场景适应：支持夜间、雨雪、复杂建筑群等多种环境下的行人检测。
- 实时性强：结合PyQt5图形界面，可直接调用摄像头或视频流进行实时检测。
- 易部署：提供完整训练代码、标注数据集、权重文件及检测程序，实现快速上手与开箱即用。
- 数据可视化与分析：可输出检测结果图像及视频，辅助公共安全管理、流量监控及应急救援决策。
前言
在城市管理与公共安全领域，行人流动情况的实时监测与精确分析，对于大型活动安全、重点区域秩序维护及应急救援资源调度具有至关重要的作用。传统基于人工巡逻或简单摄像监控的方式，存在实时性不足、人员分析困难、密集场景识别精度低等问题。
随着深度学习与无人机技术的发展，基于 YOLOv8 的目标检测算法成为解决此类问题的有效工具。本项目通过构建完整的数据集、训练YOLOv8模型，并结合 PyQt5图形界面工具，实现了一套可以直接运行的行人识别系统。无论是在视频监控、无人机巡查，还是在实时事件响应场景下，均能快速、准确地识别并跟踪行人，为安全管理提供数据支持与决策依据。
一、软件核心功能介绍及效果演示
本系统提供以下核心功能：
- 多输入源支持
- 图片单张检测
- 文件夹批量检测
- 视频文件检测
- 摄像头实时检测
- 实时检测与可视化
- 检测结果可在界面实时显示
- 支持目标框、类别及置信度显示
- 可导出检测结果图像或视频
- 高精度行人识别
- 仅针对
person类目标进行检测 - 适应低光照、遮挡、密集人群及复杂环境
- 仅针对
- 训练与自定义扩展
- 提供完整训练代码，可基于现有数据集继续训练或微调模型
- 支持修改类名及数据集，扩展到多目标检测
- 界面友好操作
- PyQt5 图形界面操作直观
- 可一键加载模型、选择数据源、启动检测
- 检测状态及进度可实时反馈
二、软件效果演示
为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。
（1）单图片检测演示
用户点击“选择图片”，即可加载本地图像并执行检测：
（2）多文件夹图片检测演示
用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。
（3）视频检测演示
支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：
（4）摄像头检测演示
实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。
（5）保存图片与视频检测结果
用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。
三、模型的训练、评估与推理
YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。
其核心优势如下：
- 高速推理，适合实时检测任务
- 支持Anchor-Free检测
- 支持可扩展的Backbone和Neck结构
- 原生支持ONNX导出与部署
3.1 YOLOv8的基本原理
YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：
- 速度快：推理速度提升明显；
- 准确率高：支持 Anchor-Free 架构；
- 支持分类/检测/分割/姿态多任务；
- 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。
YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。
YOLOv8原理图如下：
3.2 数据集准备与训练
采用 YOLO 格式的数据集结构如下：
dataset/
├── images/
│ ├── train/
│ └── val/
├── labels/
│ ├── train/
│ └── val/
每张图像有对应的 .txt 文件，内容格式为：
4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757
分类包括（可自定义）：
3.3. 训练结果评估
训练完成后，将在 runs/detect/train 目录生成结果文件，包括：
results.png：损失曲线和 mAP 曲线；weights/best.pt：最佳模型权重；confusion_matrix.png：混淆矩阵分析图。
若 mAP@0.5 达到 90% 以上，即可用于部署。
在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：
3.4检测结果识别
使用 PyTorch 推理接口加载模型：
import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel# 加入可信模型结构
safe_globals().add(DetectionModel)# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()预测结果包含类别、置信度、边框坐标等信息。
四.YOLOV8+YOLOUI完整源码打包
本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图）：
4.1 项目开箱即用
作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。
运行项目只需输入下面命令。
python main.py
读者也可自行配置训练集，或使用打包好的数据集直接训练。
自行训练项目只需输入下面命令。
yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001
总结
本项目构建了一套基于 YOLOv8 行人检测模型 的高精度目标识别系统，结合 PyQt5 图形界面 实现了图片、视频、摄像头及文件夹多输入源的实时检测能力。系统在复杂场景下表现出良好的适应性和高准确率，能够有效支持公共安全管理、城市人流监控及应急救援响应等应用场景。
通过完整的数据集标注、模型训练及部署流程，本项目实现了从数据准备、模型训练到实时检测的全链路解决方案，并提供开箱即用的源码和可视化工具。未来，该系统可进一步扩展至多目标识别、行为分析及轨迹预测，为智慧城市、公共安全及应急管理提供可落地的智能化技术支持。